Discrimination du modèle et impact

Modélisation du risque de crédit en Python

Michael Crabtree

Data Scientist, Ford Motor Company

Matrices de confusion

  • Affiche le nombre de prédictions justes et erronées pour chaque loan_status

Matrice de confusion avec formules

Modélisation du risque de crédit en Python

Rappel des défauts pour l'état du prêt

  • Le rappel des défauts (ou sensibilité) est la part de vrais défauts prédite

Exemple de rapport de classification avec rappel des défauts

Formule du rappel des défauts

Modélisation du risque de crédit en Python

Impact du rappel sur le portefeuille

  • Rapport de classification — Modèle de régression logistique sous-performant

Exemple de rapport de classification avec éléments sur l'état du prêt

Modélisation du risque de crédit en Python

Impact du rappel sur le portefeuille

  • Rapport de classification — Modèle de régression logistique sous-performant

Exemple de rapport de classification avec éléments sur l'état du prêt

  • Nombre de vrais défauts : 50 000
Montant du prêt Défauts prédits / non prédits Perte estimée sur défauts
50 $ 0,04 / 0,96 (50000 x 0,96) x 50 = 2 400 000 $
Modélisation du risque de crédit en Python

Rappel, précision et exactitude

  • Difficile de tous les maximiser, car il y a un compromis

Graphique du rappel « non-défaut » avec rappel des défauts et exactitude

Modélisation du risque de crédit en Python

Passons à la pratique !

Modélisation du risque de crédit en Python

Preparing Video For Download...